打开文本图片集
摘 要 随着机动车保有量和驾驶人数量快速增长，越来越多的电子监控设备被用于查获机动车非现场违法。利用传统方法进行日常非现场违法记录的筛选审核，不仅耗费大量人力，同时也易出现违法记录的错删误删。本文从减少非现场违法记录筛选审核工作的人力开销出发，设计提出了一套基于深度学习的非现场违法智能筛选审核系统，针对不同违法行为的记录进行删除场景和找回场景识别，实现非现场违法记录的智能删除与智能找回，提升了非现场违法记录筛选审核工作的效率，同时也可减少记录错删误删的发生。
关键词 非现场违法记录;筛选审核;深度学习;智能删除;智能找回
引言
随着我国社会经济的快速发展，我国机动车保有量和驾驶人数量也呈逐年增长态势。截至2019年6月，我国的机动车保有量已经突破3.4亿辆，驾驶人突破4.2亿人。据统计，我国每年交通违法行为查处量数以亿计， 其中80%以上是非现场违法[1]。非现场违法[2]，即通过公安交通管理部门安装的电子监控设备（闯红灯抓拍、超速抓拍等）采集的机动车违法。针对非现场违法记录，交通管理部门通常会安排专人进行人工筛选审核，若符合执法取证技术规范[3]则上传综合应用平台[4]进行后续处罚，从而达到查处、震慑交通违法的目的。
目前这种方法存在明显弊端。首先，非现场违法记录量庞大，需要配到人员开展日常化的筛选审核工作。其次，路面上现存的电子监控设备因精确度不统一、设备成像效果参差不齐、夜间和隧道内受光线影响取证困难、违法识别算法本身不够准确等因素，造成较高比例的非现场违法记录不符合执法取证技术规范，从而影响筛选审核人员的工作效率。最后，人工筛选审核结果易受主观因素影响，存在非现场违法记录错删误删的情况。
本文提出一种基于深度学习的非现场违法筛选审核方法，通过智能删除将不符合执法取证技术规范的非现场违法记录（即废片，下同）自动删除;通过智能找回从人工删除的废片中找回由人为错删误删的记录找回，从两方面提高非现场违法筛选审核自动化水平，提升筛选审核人员工作效率。
1 解决思路
非现场违法记录的人工筛选审核工作，就是筛选审核人员人工将符合执法取证技术规范的法记录逐条筛选出来。下表1显示了某市在一天之内非现场违法记录筛选审核数据情况。某市非现场违法主要由违反交通禁令标志、未年检、违反禁止标线指示、不按车道导向箭头行驶、占用公交车专用道、机动车占用非机动车道、闯红灯、不礼让行人、越线停车组成。
从表1可看出，除不礼让行人外，其他违法的删除比例普遍较高，即废片率占比高，大量的分现场违法记录被删除了。实际工作中，大量人力将花费在废片删除上，很难做到高效。
2 系统架构
基于深度学习的非现场违法智能筛选审核系统，是在传统的非现场违法筛选审核系统进行智能升级。系统架构如下：
基于深度学习的非现场违法智能筛选审核系统架构中，首先，非现场违法记录通过公安交通集成指挥平台[6]进行汇聚;然后，在传统的人工筛选审核非现场违法记录的流程上，增加了智能删除和智能找回模块。智能删除，即对非现场违法记录进行智能识别，将包含删除场景的记录删除，判定为废片;智能找回，即对人工筛选审核的结果进行智能识别，找回包含找回场景的废片并重新进行筛选审核流程。
3 应用成效
我们在某市应用基于深度学习的非现场违法智能筛选审核系统，对违反交通禁令标志、违反禁止标线指示 、不按车道导向箭头行驶和闯红灯四类违法行为进行智能删除及智能找回，所用的样本即为表1中的样本。
智能删除结果如表2所示，每日采集量表示每日采集的非现场违法记录总数、智能删除数表示系统自动删除的违法记录数、删除确认正确数表示系统删除且经人工确认不符合执法取证技术规范的记录数。四类非现场违法记录被智能筛选审核系统智能删除准确率都超过了9成，删除总数超过4万条，节省工作量达40.81%。
智能找回结果如表3所示，违法删除量表示人工删除的废片总数、智能找回数表示系统判定找回的非现场违法记录数、找回正确数表示系统找回且经人工确认符合执法取证技术规范的记录数。四类非现场违法记录的违法删除量中，累计找回1.6万条符合执法取证规范的记录，找回比例18.7%。其中，违法交通禁令标志、违反禁止标线指示的找回正确率超过9成。
4 结束语
从某市的应用效果来看，基于深度学习的非现场违法智能筛选审核系统对非现场违法筛选审核工作效率的提升明显。四类非现场违法记录的日均筛选审核工作量节省超过4成，可找回的错删误删量超过了1.6万条，筛选审核工作的自动化、智能化提升明显。
基于深度学习的非现场违法智能筛选审核系统也将继续影响非现场违法处理的业务流程，下一步我们计划将前端设备采集的非现场违法记录进行实时智能筛选，将符合执法取证技术规范的违法记录及时推送给车主，提升震慑交通违法的效果。
参考文献
[1] 吴昌成，孙巍，张昊，等.公安交通技术监控设备的执法取证标准化研究[J].中国标准化，2017，（20）：56-58，69.
[2] 邵志骅，许卉莹，崔林山.公安交通管理非现场执法监管模式研究与实现[J].中国公共安全（学术版），2015，（4）：127-130.
[3] GA/T 832-2014.道路交通安全违法行为图像取证技术规范[S].北京：中国标准出版社，2014.
[4] 陈飞，季君.公安交通管理综合应用平台建设与应用[J].道路交通管理，2012，（7）：8-9.
[5] Krizhevsky A，Sutskever I，Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[C]. NIPS. Curran Associates Inc，2012：83.
[6] 徐棱，孫正良，吴晓峰.公安交通集成指挥平台通信协议研究[J].中国公共安全（学术版），2014，（1）：79-83.